[發明專利]一種基于動態神經網絡的導熱反問題求解方法

有效

• 申請號: 202011299960.4
• 申請日: 2020-11-19
• 公開（公告）號: CN112417759B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 陳旭;孫興悅;石守穩;宋凱;周琨;韓嘯;余偉煒;高炳軍
• 申請（專利權）人: 天津大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/23;G06N3/04;G06F113/14;G06F119/08
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 劉玲

1.一種基于動態神經網絡的導熱反問題求解方法，其特征在于：包括如下步驟：

1)構建基于時間序列的動態神經網絡模型：

構建包含有一個輸入層、至少一個隱含層、一個輸出層的動態神經網絡模型，所述輸入層、輸出層和每個隱含層均有若干個神經元，動態神經網絡的輸入層、輸出層的輸入、輸出變量分別為若干組長度為d的時間序列；

2)利用有限元軟件仿真模擬管道內外壁溫度數據集：

通過有限元軟件進行一組管道結構的流體傳熱仿真，在管道入口設置流速為u(t)，溫度為T(t)的流入流體，模擬時長為t_s，在管道某一截面處，以半圓周等間距的形式共設置2n個監測點，記錄內壁面n個采樣點溫度T_in,1(i)、T_in,2(i)、……、T_in,n(i)，外壁面n個采樣點溫度T_out,1(i)、T_out,2(i)、……、T_out,n(i)，再加上管道內流體流速u(i)，n≥3，0≤i≤t_s，得到動態神經網絡模型的輸入層向量x[t,t+d]＝(T_out,1[t,t+d],T_out,2[t,t+d],……,T_out,n[t,t+d],u[t,t+d])、輸出層向量y[t]＝(T_in,1[t],T_in,2[t],……,T_in,n[t])，0≤t≤t_s-d)；輸入輸出層變量的時間序列長度為d，在總時長為t_s仿真中，共有(t_s-d)組樣本數據，從而得到樣本數據集；

3)樣本數據集的預處理：

將樣本數據集中的每個輸入層向量和每個輸出層向量中的各個樣本元素按照公式zi’＝(zi–min(z))/(max(z)–min(z))依次映射到[0,1]，求取得到其各自對應的樣本歸一值，zi為某個輸入層向量x或輸出層向量y中的某一個樣本元素，z與zi同屬種類相同的所有樣本元素所構成的數據集，max(z)為數據集z中數值最大的樣本元素的值，min(z)為數據集z中數值最小的樣本元素的值；

4)利用預處理后的數據對動態神經網絡模型進行訓練，得到最優動態神經網絡模型；

5)通過所述監測點布局獲取外部溫度序列和流速序列，輸入步驟4)所得的最優動態神經網絡模型中，即可得到內壁溫度演化情況。

2.根據權利要求1所述一種基于動態神經網絡的導熱反問題求解方法，其特征在于：步驟2)優選為n＝7，記錄內壁面7個采樣點溫度Tin,1(i)、Tin,2(i)、Tin,3(i)、Tin,4(i)、Tin,5(i)、Tin,6(i)、Tin,7(i)，記錄外壁面7各采樣點溫度Tout,1(i)、Tout,2(i)、Tout,3(i)、Tout,4(i)、Tout,5(i)、Tout,6(i)、Tout,7(i)以及管道內流體流速u(i)，其中0≤i≤ts，得到動態神經網絡模型的輸入層向量x[t,t+d]＝(Tout,1[t,t+d],Tout,2[t,t+d],Tout,3[t,t+d],Tout,4[t,t+d],Tout,5[t,t+d],Tout,6[t,t+d],Tout,7[t,t+d],u[t,t+d])、輸出層向量y[t]＝(Tin,1[t],Tin,2[t],Tin,3[t],Tin,4[t],Tin,5[t],Tin,6[t],Tin,7[t])，其中0≤t≤ts-d。

3.根據權利要求1所述一種基于動態神經網絡的導熱反問題求解方法，其特征在于：所述動態神經網絡模型為全連接的反饋神經網絡，動態神經網絡模型中相鄰兩層之間的神經元均通過Tanh非線性激活函數連接。

4.根據權利要求1所述一種基于動態神經網絡的導熱反問題求解方法，其特征在于：所述步驟4)包括如下步驟：

A.將預處理后的數據分為訓練集和驗證集，并選取一個時間序列長度d；

B.將輸出層和目標層的值之間的均方差作為損失函數，選擇平均絕對誤差作為訓練時對動態神經網絡的監督標準；

C.利用訓練集和驗證集的數據對動態神經網絡模型進行訓練，訓練時利用反向傳播和隨機梯度下降優化算法不斷迭代權重和偏差項，損失函數達到最小時，即得到最優動態神經網絡模型；

D.調整d的取值大小，重復以上過程，得到一組不同時間序列長度的動態神經網絡模型，從中選取損失函數最小的動態神經網絡模型作為最終結果。